> ## Documentation Index > Fetch the complete documentation index at: https://docs.didit.me/llms.txt > Use this file to discover all available pages before exploring further. # आयु अनुमान API: सेल्फ़ी आयु सत्यापन > Didit से AI फ़ेशियल एनालिसिस द्वारा सेल्फ़ी से आयु सत्यापित करें। $0.10 प्रति कॉल, 16-17 उम्र पर 1.1-वर्ष MAE और पहचान सत्यापन फ़ॉलबैक। Didit आयु अनुमान एक सेल्फ़ी से किसी व्यक्ति की आयु का अनुमान लगाता है, जिसमें पैसिव लाइवनेस डिटेक्शन शामिल है, जिससे आप प्रत्येक उपयोगकर्ता से पहचान दस्तावेज़ मांगे बिना आयु-प्रतिबंधित सेवाओं तक पहुँच को नियंत्रित कर सकते हैं। यह मॉडल वहाँ सबसे सटीक है जहाँ आयु प्रतिबंध का निर्णय होता है: 16 और 17 वर्ष के लोगों के लिए इसका मीन एब्सोल्यूट एरर 1.1 वर्ष और 18 से 20 वर्ष के लोगों के लिए 1.9 वर्ष है, और यह 96% सेल्फ़ी को 18 से कम या 18 और उससे अधिक के रूप में सही ढंग से वर्गीकृत करता है ([मॉडल प्रदर्शन](#मॉडल-का-प्रदर्शन-और-आँकड़े) देखें)। आयु अनुमान इंटीग्रेशन प्रॉम्प्ट प्रॉम्प्ट को क्लिपबोर्ड पर कॉपी करें \

\````# Goal
Integrate Didit Age Estimation (selfie-based age gating, includes passive liveness) into your app. Pick ONE mode.

\# Mode A — Session-based (embedded in Liveness)
In hosted Didit flows, age estimation is **embedded inside the Liveness step** — there is no separate "age_estimation" workflow feature. Enable age estimation on the Liveness node in the Business Console.

1\. Configure the workflow's LIVENESS feature with age estimation enabled and set age_estimation_decline_threshold (default 18).
2\. Create a session — POST /v3/session/ with { workflow_id, vendor_data, callback }. See /sessions-api/create-session.
3\. Open session.url for the user (or mount the Web/Mobile SDK).
4\. Fetch the decision — GET /v3/session/{sessionId}/decision/.

Decision surface: the result lives at `liveness_checks[].age_estimation` on each Liveness entry (not in a top-level age_estimations[] array).

\# Mode B — Standalone API (server-to-server, age + liveness in one call)
Use when you already have a selfie and need a one-shot age gate.

POST https://verification.didit.me/v3/age-estimation/
multipart/form-data — x-api-key: YOUR_API_KEY

curl example:
\```bash
curl -X POST 'https://verification.didit.me/v3/age-estimation/' \
-H 'x-api-key: YOUR_API_KEY' \
-F 'user_image=@./selfie.jpg' \
-F 'age_estimation_decline_threshold=18' \
-F 'save_api_request=true' \
-F 'vendor_data=user-1234'
\```
Returns: { request_id, age_estimation: { status, method: "PASSIVE", age_estimation (float, years), score (passive-liveness 0-100), user_image: {entities}, warnings: [...] } }.

Required: `user_image` (jpg/jpeg/png/tiff/webp, max 5 MB; PDFs not accepted). The largest face wins when multiple are present.

\# Decision logic
status="Declined" when ANY of the following is true:
\- passive-liveness score ≤ face_liveness_score_decline_threshold (default 30)
\- predicted age < age_estimation_decline_threshold (default 18)
\- no face detected
\- liveness model flagged a presentation attack

\# Status enum
"Not Started" | "In Progress" | "Approved" | "In Review" | "Declined" | "Abandoned" | "Kyc Expired"

\# Warnings
warnings[] risk codes include:
AGE_BELOW_MINIMUM, AGE_NOT_DETECTED, LOW_LIVENESS_SCORE, NO_FACE_DETECTED, LIVENESS_FACE_ATTACK, MULTIPLE_FACES_DETECTED.
Full catalogue: /core-technology/age-estimation/warnings-age-estimation.

\# Failure modes to handle
\- HTTP 400 — missing or oversized user_image, unsupported extension.
\- HTTP 403 — out of credits.
\- status="Declined" with AGE_BELOW_MINIMUM — user is below the configured age; reject.
\- status="Declined" with LOW_LIVENESS_SCORE / LIVENESS_FACE_ATTACK — presentation attack suspected; reject.
\- AGE_NOT_DETECTED — the model could not extract age (poor image quality); request a retake.

\# See also
\- Canonical schema: /reference/data-models#age-estimation
\- Per-feature report: /core-technology/age-estimation/report-age-estimation
\- Risk catalogue: /core-technology/age-estimation/warnings-age-estimation
\- Full integration playbook: /integration/integration-prompt````

\
यहाँ पेस्ट करें ## आयु अनुमान के तरीकेहमारा प्लेटफ़ॉर्म विभिन्न लाइवनेस सत्यापन तकनीकों के साथ मिलकर आयु अनुमान लागू करता है:
तरीका विवरण सुरक्षा स्तर इसके लिए सर्वोत्तम
**`3D Action & Flash`** • मल्टी-फ़ैक्टर बायोमेट्रिक सत्यापन को **रैंडमाइज़्ड एक्शन सीक्वेंस** और **डायनामिक लाइट पैटर्न विश्लेषण** के साथ जोड़ता है।\ • शुरुआत में, उपयोगकर्ता को एक सरल एक्शन करने के लिए प्रेरित किया जाता है—जैसे **पलक झपकाना** या **सिर हिलाना**—जिससे रीयल-टाइम इंटरैक्शन सुनिश्चित होता है।\ • इसके साथ ही, सिस्टम चेहरे पर लाइट पैटर्न की एक श्रृंखला प्रोजेक्ट करता है, और चेहरे की 3D संरचना की पुष्टि करने के लिए **परावर्तन** का विश्लेषण करता है।\ • **डीप लर्निंग एल्गोरिदम** एक जीवित व्यक्ति की उपस्थिति को सत्यापित करने के लिए माइक्रो-एक्सप्रेशन्स और लाइट रिफ्लेक्शन प्रतिक्रियाओं की जांच करते हैं।\ • व्यवहार संबंधी (एक्शन) और भौतिक (प्रकाश-आधारित गहराई) संकेतों को एकीकृत करके **उच्चतम सुरक्षा** प्रदान करता है, जिससे स्थिर छवियों, वीडियो या उन्नत मास्क के साथ स्पूफिंग करना लगभग असंभव हो जाता है। उच्चतम बैंकिंग, स्वास्थ्य सेवा, सरकारी एप्लिकेशन
**`3D Flash`** • उपयोगकर्ता इंटरैक्शन की आवश्यकता के बिना चेहरे की टोपोलॉजी को मान्य करने के लिए **डायनामिक लाइट पैटर्न विश्लेषण** का उपयोग करता है।\ • **30 फ़्रेम प्रति सेकंड** से अधिक गति से चेहरे पर लाइट पैटर्न की एक श्रृंखला प्रोजेक्ट करता है, और एक **डेप्थ मैप** बनाने के लिए परावर्तनों का विश्लेषण करता है।\ • यह डेप्थ मैप चेहरे की त्रि-आयामी (3D) संरचना की पुष्टि करता है, इसे सपाट छवियों या 2D स्पूफ़ से अलग करता है।\ • फ़ोटो या स्क्रीन जैसे प्रेज़ेंटेशन अटैक के विरुद्ध **उच्च सुरक्षा** बनाए रखते हुए एक **निर्बाध अनुभव** प्रदान करता है।\ उच्च वित्तीय सेवाएं, खाता एक्सेस, पहचान सत्यापन
**`Passive Liveness`** • लाइवनेस के संकेतों का पता लगाने के लिए **सिंगल-फ़्रेम डीप लर्निंग विश्लेषण** पर निर्भर करता है।\ • गोपनीयता के लिए, इंटरफ़ेस में उपयोगकर्ता का चेहरा धुंधला दिखाई देता है, जिससे उन्हें विश्वास होता है कि उनकी छवि का विश्लेषण केवल आयु अनुमान के लिए किया जा रहा है, पहचान के लिए नहीं।\ • वास्तविक चेहरे और स्पूफ़ के बीच अंतर करने वाले **आर्टिफ़ैक्ट्स**, **टेक्सचर पैटर्न** और अन्य सूक्ष्म संकेतकों के लिए छवि की जांच करता है।\ • एक **कनवोल्यूशनल न्यूरल नेटवर्क (CNN)** चेहरे की विशेषताओं को मान्य करता है और विसंगतियों की पहचान करता है, जैसे कि मुद्रित फ़ोटो या डिजिटल स्क्रीन से उत्पन्न होने वाली।\ • कम जोखिम वाले उपयोग के मामलों के लिए उपयुक्त, **त्वरित और सुविधाजनक** सत्यापन प्रदान करता है लेकिन **मानक सुरक्षा** देता है।\ मानक कम घर्षण वाले परिदृश्य, उपभोक्ता एप्लिकेशन
प्रत्येक तरीका विश्वास स्कोर और पूरक लिंग अनुमान डेटा के साथ एक सटीक आयु अनुमान उत्पन्न करता है।### कॉन्फ़िगर करने योग्य थ्रेशोल्डआप आयु अनुमान के लिए विभिन्न थ्रेशोल्ड निर्धारित करके सुरक्षा स्तरों को कस्टमाइज़ कर सकते हैं। उदाहरण के लिए:![आयु गेटिंग नीतियों के लिए Didit आयु अनुमान थ्रेशोल्ड कॉन्फ़िगरेशन](https://mintcdn.com/didit-0f962782/z6T2GHM4Zh-iSj-K/images/age-estimation-thresholds.png?fit=max\&auto=format\&n=z6T2GHM4Zh-iSj-K\&q=85\&s=11ffd7baa63b7193970c6b67386279f8)> [!NOTE] > > इन थ्रेशोल्ड को आपकी जोखिम सहनशीलता और सुरक्षा आवश्यकताओं के आधार पर समायोजित किया जा सकता है।### देश-वार आयु प्रतिबंधआयु प्रतिबंधों को **प्रति-देश के आधार पर** कॉन्फ़िगर किया जा सकता है, जो इस तथ्य को दर्शाता है कि विभिन्न न्यायालयों में वयस्कता की कानूनी आयु भिन्न होती है। एक ही वैश्विक न्यूनतम या अधिकतम आयु निर्धारित करने के बजाय, आप प्रत्येक देश के लिए विशिष्ट आयु सीमाएं परिभाषित कर सकते हैं -- और किसी देश के भीतर अलग-अलग राज्यों या क्षेत्रों के लिए भी।#### यह कैसे काम करता है- **देश-स्तरीय कॉन्फ़िगरेशन**: प्रत्येक देश (दस्तावेज़ के जारीकर्ता राज्य द्वारा पहचाने जाने वाले) के लिए न्यूनतम और/या अधिकतम आयु निर्धारित करें। उदाहरण के लिए, आपको संयुक्त राज्य अमेरिका में न्यूनतम 18 वर्ष, दक्षिण कोरिया में 19 वर्ष और संयुक्त अरब अमीरात में 21 वर्ष की आयु की आवश्यकता हो सकती है। - **राज्य/क्षेत्र ओवरराइड**: उप-राष्ट्रीय भिन्नता वाले देशों (जैसे संयुक्त राज्य अमेरिका या मेक्सिको) के लिए, आप प्रति राज्य ओवरराइड कॉन्फ़िगर कर सकते हैं। उदाहरण के लिए, मिसिसिपी में न्यूनतम 21 वर्ष की आवश्यकता हो सकती है जबकि अमेरिका का डिफ़ॉल्ट 18 है। सिस्टम OCR द्वारा दस्तावेज़ से निकाले गए क्षेत्र का उपयोग करके राज्य का मिलान करता है। - **वयस्कता की आयु के डिफ़ॉल्ट**: कंसोल एक-क्लिक "वयस्कता की आयु लागू करें" बटन प्रदान करता है जो दुनिया भर में वयस्कता की ज्ञात कानूनी आयु के आधार पर प्रत्येक देश की न्यूनतम आयु को स्वचालित रूप से भर देता है। इसके बाद आप आवश्यकतानुसार अलग-अलग देशों या राज्यों को कस्टमाइज़ कर सकते हैं। - **कॉन्फ़िगर करने योग्य कार्रवाइयां**: जब किसी उपयोगकर्ता की आयु उनके दस्तावेज़ के देश के लिए न्यूनतम से कम या अधिकतम से अधिक होती है, तो आप की जाने वाली कार्रवाई चुन सकते हैं: **अस्वीकार करें** या **समीक्षा करें**।#### उदाहरण कॉन्फ़िगरेशन| देश | न्यूनतम आयु | अधिकतम आयु | राज्य ओवरराइड | | - | - | - | - | | USA | 18 | -- | Mississippi: 21, Alabama: 19 | | KOR | 19 | -- | -- | | GBR | 18 | 65 | -- | | ARE | 21 | -- | -- |> [!NOTE] > > देश-वार आयु प्रतिबंध मानक KYC वर्कफ़्लो और एडेप्टिव आयु सत्यापन वर्कफ़्लो दोनों में उपलब्ध हैं। एडेप्टिव वर्कफ़्लो में, जब बॉर्डरलाइन मामलों के लिए पहचान सत्यापन ट्रिगर होता है, तो आयु जांच पहचान सत्यापन चरण में कॉन्फ़िगर की गई प्रति-देश सेटिंग्स का उपयोग करती है।## यह कैसे काम करता है**1. छवि या वीडियो कैप्चर**उपयोगकर्ता API अपलोड के माध्यम से एक स्पष्ट चेहरे की छवि प्रदान करता है या लाइवनेस सत्यापन प्रक्रिया पूरी करता है।| जाँच | विवरण | | - | - | | **छवि की गुणवत्ता** | प्रकाश व्यवस्था, पोज़िशनिंग और स्पष्टता को मान्य करता है | | **लाइवनेस सत्यापन** | सुनिश्चित करता है कि व्यक्ति उपस्थित है और कोई स्पूफ़ नहीं है | | **मल्टी-फ़्रेम विश्लेषण** | सर्वोत्तम सटीकता के लिए इष्टतम फ़्रेम का चयन करता है | | **अनुकूली कैप्चर** | विभिन्न डिवाइस क्षमताओं के अनुसार समायोजित होता है |**2. चेहरे की विशेषताओं का विश्लेषण**एक डिटेक्टर छवि में प्रत्येक चेहरे और प्रत्येक व्यक्ति का पता लगाता है, और सबसे बड़े चेहरे का विश्लेषण किया जाता है।- **चेहरे का क्रॉप**: पता लगाए गए चेहरे को ठीक उसी रूप में लेकर, चेहरे की आकृति-विज्ञान, अनुपात और त्वचा की बनावट का विश्लेषण किया जाता है - **शारीरिक संदर्भ**: चेहरे को छिपाकर (मास्क करके) छवि का शेष भाग अनुमान को परिष्कृत करता है - एक ही छवि में कई चेहरों का पता लगाया जाता है और रिपोर्ट किया जाता है, ताकि सत्र को उसी अनुसार संभाला जा सके**3. न्यूरल नेटवर्क प्रोसेसिंग**दो पूरक डीप न्यूरल नेटवर्क स्वतंत्र रूप से आयु का अनुमान लगाते हैं, और अंतिम अनुमान उनका औसत होता है।- एक ट्रांसफ़ॉर्मर चेहरे और शरीर के क्रॉप्स को एक साथ पढ़ता है; एक कन्वेन्शनल नेटवर्क चेहरे को पढ़ता है - प्रत्येक नेटवर्क डेटा के विभिन्न विभाजनों पर प्रशिक्षित पाँच मॉडल चलाता है और उनके अनुमानों का औसत निकालता है, जिससे परिणाम स्थिर होता है - पहचान दस्तावेज़ों द्वारा पुष्टि की गई आयु के साथ प्रशिक्षित, जिसमें किशोरों, युवा वयस्कों और प्रत्येक स्किन टोन समूह का अच्छा प्रतिनिधित्व है - केवल उन सेल्फ़ी और व्यक्तियों पर मूल्यांकन किया गया जिन्हें मॉडलों ने प्रशिक्षण के दौरान कभी नहीं देखा था**4. निर्णय और पूरक विश्लेषण**सिस्टम एक व्यापक परिणाम उत्पन्न करता है:| आउटपुट | विवरण | | - | - | | **आयु अनुमान** | विश्वास स्कोरिंग के साथ प्राथमिक अनुमान | | **लिंग अनुमान** | पूरक जनसांख्यिकीय संदर्भ (वैकल्पिक) | | **विश्वसनीयता मेट्रिक्स** | समग्र विश्वसनीयता का आकलन | | **पर्यावरणीय कारक** | अनुमान गुणवत्ता पर प्रभाव का आकलन |**5. नियम लागू करना**आपके कॉन्फ़िगर किए गए व्यावसायिक नियम अनुमान परिणामों पर लागू होते हैं।- आयु अनुमान की तुलना आपके **कॉन्फ़िगर किए गए थ्रेशोल्ड** (प्रति देश न्यूनतम/अधिकतम) से की जाती है - आपकी न्यूनतम आवश्यकताओं के विरुद्ध विश्वास स्कोरों की जाँच की जाती है - **सीमांत मामले** पहचान सत्यापन फ़ॉलबैक (अनुकूली मोड) को ट्रिगर कर सकते हैं - अनुपालन के लिए विस्तृत **ऑडिट ट्रेल** के साथ परिणाम प्रलेखित किए जाते हैं## अनुकूलनीय आयु अनुमानउन परिदृश्यों के लिए जहां सटीक आयु सत्यापन महत्वपूर्ण है, हमारा प्लेटफ़ॉर्म पहचान सत्यापन फ़ॉलबैक के साथ अनुकूलनीय आयु अनुमान प्रदान करता है। यह दृष्टिकोण उपयोगकर्ता सुविधा और नियामक अनुपालन के बीच संतुलन प्रदान करता है।### अनुकूलनीय आयु अनुमान कैसे काम करता है**1. प्रारंभिक आयु अनुमान**सिस्टम पहले चेहरे के विश्लेषण का उपयोग करके उपयोगकर्ता की आयु का अनुमान लगाने का प्रयास करता है। आयु अनुमान के साथ एक विश्वास स्कोर भी जनरेट किया जाता है।**2. थ्रेशोल्ड मूल्यांकन**अनुमानित आयु की तुलना आपके कॉन्फ़िगर किए गए थ्रेशोल्ड से की जाती है। तीन परिणाम:| परिणाम | विवरण | | - | - | | **स्पष्ट रूप से पास** | उपयोगकर्ता स्पष्ट रूप से आपकी आवश्यक आयु थ्रेशोल्ड से ऊपर है | | **स्पष्ट रूप से विफल** | उपयोगकर्ता स्पष्ट रूप से आपकी आवश्यक आयु थ्रेशोल्ड से नीचे है | | **सीमांत** | अनुमानित आयु एक अनिश्चित सीमा के भीतर आती है या इसका विश्वास स्कोर कम है |**3. इंटेलिजेंट फ़ॉलबैक**- **स्पष्ट पास/विफल**: सत्यापन उचित परिणाम के साथ तुरंत पूरा हो जाता है - **सीमांत मामले**: सिस्टम स्वचालित रूप से एक **पहचान सत्यापन फ़्लो** शुरू करता है - यह अधिकांश उपयोगकर्ताओं के लिए रुकावट को न्यूनतम करते हुए नियामक अनुपालन सुनिश्चित करता है**4. दस्तावेज़ सत्यापन (आवश्यक होने पर)**सीमांत मामलों के लिए, उपयोगकर्ता सरकार द्वारा जारी पहचान दस्तावेज़ प्रदान करता है:- दस्तावेज़ की प्रामाणिकता और आयु की जानकारी सत्यापित की जाती है - पहचान सत्यापन चरण से **देश के अनुसार आयु प्रतिबंध** लागू किए जाते हैं - सिस्टम दस्तावेज़ के जारीकर्ता देश और क्षेत्र के लिए न्यूनतम/अधिकतम आयु के मुकाबले जन्म तिथि की जांच करता है - दस्तावेज़ के पोर्ट्रेट का **आयु अनुमान के लिए पहले से ली गई सेल्फ़ी के साथ 1:1 चेहरा मिलान** किया जाता है, ताकि दस्तावेज़ पर मौजूद जन्म तिथि कैमरे के सामने मौजूद व्यक्ति से बंधी हो### फ़ॉलबैक क्या लौटाता हैफ़ॉलबैक चेहरा मिलान वर्कफ़्लो में चेहरा मिलान नोड के बिना चलता है, इसलिए यह सत्र के निर्णय में इस तरह दिखाई देता है जिसे आसानी से ऐसा चेक समझा जा सकता है जिसे आपने कभी कॉन्फ़िगर ही नहीं किया था:- फ़ॉलबैक चलने के बाद `features` में `AGE_ESTIMATION` और `ID_VERIFICATION` के अलावा `FACE_MATCH` भी सूचीबद्ध होता है। - `face_matches[]` में `score`, `source_image` (दस्तावेज़ पोर्ट्रेट) और `target_image` (आयु अनुमान सेल्फ़ी) के साथ एक प्रविष्टि होती है। इसका `node_id` **आयु अनुमान नोड** (`feature_age_estimation` एक मूल वर्कफ़्लो पर) होता है क्योंकि यह मिलान उस चरण का हिस्सा है, न कि चेहरा मिलान चरण का। - कम स्कोर सामान्य [चेहरा मिलान चेतावनियों](https://docs.didit.me/hi/core-technology/face-match/warnings-face-match.md) को ट्रिगर करता है और सत्र को समीक्षा या अस्वीकृत स्थिति में भेज सकता है, ठीक वैसे ही जैसे एक कॉन्फ़िगर किया गया चेहरा मिलान नोड करता है। - इसे चेहरा मिलान के रूप में **बिल नहीं किया जाता है**: सत्र के लिए केवल आयु अनुमान और पहचान सत्यापन का शुल्क लिया जाता है।जो सत्र केवल सेल्फ़ी के आधार पर पास या विफल हो जाते हैं, वे कभी भी फ़ॉलबैक नहीं चलाते हैं, इसलिए वे `face_matches: null` लौटाते हैं। छवियों को निर्णय payload से बाहर रखने के लिए, वर्कफ़्लो के [रिस्पॉन्स एट्रिब्यूट](https://docs.didit.me/hi/sessions-api/retrieve-session.md) के साथ `face_matches` फ़ील्ड को सीमित करें।> [!NOTE] > > अनुकूलनीय आयु अनुमान को [अनुकूलनीय आयु सत्यापन](https://docs.didit.me/hi/console/workflows.md) वर्कफ़्लो प्रकार का उपयोग करके कॉन्फ़िगर किया जा सकता है। आप सीमांत आयु थ्रेशोल्ड परिभाषित कर सकते हैं जो यह निर्धारित करते हैं कि पहचान सत्यापन कब ट्रिगर होगा। सीमांत मामलों के लिए अंतिम आयु-आधारित स्वीकृति या अस्वीकृति पहचान सत्यापन चरण में कॉन्फ़िगर किए गए देश के अनुसार आयु प्रतिबंधों द्वारा नियंत्रित होती है।### अनुकूलनीय आयु अनुमान के लाभ- **कम रुकावट**: अधिकांश उपयोगकर्ता केवल एक सेल्फ़ी के साथ सत्यापन पूरा कर लेते हैं - **बेहतर अनुपालन**: अनिश्चित मामलों में देश-विशिष्ट आयु नियमों के साथ गहन दस्तावेज़ सत्यापन होता है - **लागत दक्षता**: पहचान सत्यापन का उपयोग केवल आवश्यकता पड़ने पर ही किया जाता है - **अनुकूलन योग्य जोखिम सहनशीलता**: अपनी विनियामक आवश्यकताओं के आधार पर थ्रेशोल्ड को समायोजित करें - **क्षेत्राधिकार-सचेत**: उपयोगकर्ता के दस्तावेज़ जारीकर्ता देश और क्षेत्र के आधार पर स्वचालित रूप से वयस्कता की सही आयु लागू करता हैयह दृष्टिकोण ऑनलाइन गेमिंग, शराब डिलीवरी और वयस्क सामग्री प्लेटफ़ॉर्म जैसी आयु-प्रतिबंधित सेवाओं के लिए विशेष रूप से मूल्यवान है, जहां उपयोगकर्ता अनुभव को नियामक अनुपालन के साथ संतुलित करना आवश्यक है।## आयु आश्वासन (ISO/IEC 27566-1)एक वर्कफ़्लो यह घोषित कर सकता है कि वह ISO/IEC 27566-1 आयु आश्वासन मानक का पालन करता है। इसे कंसोल टेम्पलेट **आयु अनुमान (ISO/IEC 27566-1)** या **आयु सत्यापन (ISO/IEC 27566-1)** से बनाएं। यह घोषणा वर्कफ़्लो बनाते समय की जाती है और बाद में इसे बदला नहीं जा सकता है।जब कोई वर्कफ़्लो इस मानक की घोषणा करता है, तो Didit इसे आयु के बारे में केवल हाँ या ना वाले एकल उत्तर तक सीमित कर देता है। पिन की गई सेटिंग्स कंसोल और API दोनों के माध्यम से प्रत्येक सेव पर लागू होती हैं:- **आपको आयु का निर्णय प्राप्त होता है और कुछ नहीं।** रिस्पॉन्स एट्रिब्यूट लॉक होते हैं, इसलिए निर्णय में कोई व्यक्तिगत डेटा नहीं होता है। - प्रत्येक देश में, प्रत्येक क्षेत्रीय ओवरराइड में और अनुकूलनीय आयु अनुमान थ्रेशोल्ड में **13 सबसे कम न्यूनतम आयु है**। इससे कम मान अस्वीकार कर दिया जाता है। - **सत्रों के बीच कोई पहचान नहीं।** डुप्लिकेट दस्तावेज़ और डुप्लिकेट चेहरे की जांच बंद रहती है, और कोई बायोमेट्रिक टेम्पलेट संग्रहीत नहीं किया जाता है। - **सीमित कैप्चर।** दस्तावेज़ केवल कैमरे से कैप्चर किए जाते हैं, कोई फ़ाइल अपलोड नहीं होती, दस्तावेज़ की फ़ोटो लेते समय कोई साइलेंट सेल्फ़ी कैप्चर नहीं होती और कोई ऑडियो रिकॉर्डिंग नहीं होती है। - **कोई अतिरिक्त डेटा जांच नहीं।** अपेक्षित विवरण की तुलना और डेटा समीक्षा चरण बंद रहते हैं, और पहचान सत्यापन केवल दस्तावेज़ों को पढ़ता है, इसमें कोई डेटाबेस लुकअप या डिजिटल आईडी वॉलेट शामिल नहीं होते हैं। - **एक थ्रेशोल्ड आवश्यक है।** बिना किसी आयु थ्रेशोल्ड वाले वर्कफ़्लो को सेव करने पर अस्वीकार कर दिया जाता है, ताकि यह कभी भी डिफ़ॉल्ट रूप से सभी को स्वीकृत न कर सके।## मॉडल का प्रदर्शन और आँकड़ेनीचे दिए गए आँकड़े 4 नवंबर 2026 से प्रोडक्शन में मौजूद आयु मॉडल का वर्णन करते हैं। वे इसके लॉक्ड मूल्यांकन सेट से आते हैं: 13 वर्ष और उससे अधिक आयु के लोगों की 2,399 सेल्फ़ी, जिन्हें ट्रेनिंग से पहले अलग रख दिया गया था, जिसमें प्रत्येक व्यक्ति की आयु उनके सत्यापित पहचान दस्तावेज़ से ली गई थी। इन सेल्फ़ी या इन व्यक्तियों पर कोई भी मॉडल प्रशिक्षित नहीं किया गया था। समग्र आँकड़े ऐसे मूल्यांकन मिश्रण के लिए हैं जिसमें 10% लोग 18 वर्ष से कम आयु के हैं और वयस्कों का आयु-वितरण लाइव ट्रैफ़िक के आयु-वितरण के अनुरूप है; नीचे प्रत्येक आयु वर्ग की अलग से रिपोर्ट दी गई है।### सटीकता मेट्रिक्स
मीट्रिक मान विवरण
**मीन एब्सोल्यूट एरर (MAE)** 2.6 वर्ष अनुमानित आयु और दस्तावेज़ में दर्ज आयु के बीच का औसत अंतर
**मानक विचलन** 2.3 वर्ष एक अनुमान से दूसरे अनुमान में त्रुटि कितनी भिन्न होती है
**18 के थ्रेशोल्ड पर सही** 96.0% बिना किसी फ़ॉलबैक बैंड के, 18 से कम या 18 और उससे अधिक के रूप में सही ढंग से वर्गीकृत की गई सेल्फ़ी; 95% विश्वास के साथ कम से कम 95.3%
### आयु सीमाओं में प्रदर्शनत्रुटि उन आयु वर्गों के आसपास सबसे कम होती है जहाँ आयु-आधारित प्रवेश नियंत्रण निर्णय लेता है, और आयु के साथ बढ़ती है।
आयु सीमा MAE (वर्ष) मानक विचलन (वर्ष)
13-15 1.70 1.17
16-17 1.14 1.37
18-20 1.86 1.74
21-25 2.21 1.78
26-40 2.77 2.20
41-60 3.03 2.62
60 से अधिक 4.33 3.64
> [!NOTE] > > मानक विचलन यह दर्शाता है कि व्यक्तिगत अनुमानों की त्रुटि कितनी भिन्न होती है, न कि औसत की अनिश्चितता। > आपकी न्यूनतम आयु के एक या दो वर्ष के भीतर का अनुमान इसके किसी भी तरफ़ आ सकता है: जब थ्रेशोल्ड के पास कोई गलत निर्णय महत्वपूर्ण हो, तो उस सीमावर्ती बैंड को [अनुकूली पहचान सत्यापन फ़ॉलबैक](#अनुकूलनीय-आयु-अनुमान) पर भेजें। This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.